НачатьНачать бесплатно

Случайная выборка гиперпараметров

Для выполнения случайного поиска сначала необходимо провести случайную выборку из пространства гиперпараметров.

В этом упражнении вы создадите несколько списков гиперпараметров, которые можно объединить в список списков. Затем вы случайным образом выберете комбинации гиперпараметров — это подготовит вас к запуску случайного поиска.

Для наглядности мы ограничимся только двумя гиперпараметрами алгоритма GBM: learning_rate и min_samples_leaf.

Это упражнение является частью курса

Подбор гиперпараметров в Python

Посмотреть курс

Инструкции к упражнению

  • Создайте список из 200 значений гиперпараметра learning_rate в диапазоне от 0.01 до 1.5 и сохраните его в переменную learn_rate_list.
  • Создайте список значений гиперпараметра min_samples_leaf в диапазоне от 10 до 40 включительно и сохраните его в переменную min_samples_list.
  • Объедините эти списки в список списков для последующей выборки.
  • Случайным образом выберите 250 моделей из этих комбинаций гиперпараметров и выведите результат.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Create a list of values for the learning_rate hyperparameter
learn_rate_list = list(np.____(____,____,____))

# Create a list of values for the min_samples_leaf hyperparameter
min_samples_list = list(____(____,____))

# Combination list
combinations_list = [list(x) for x in ____(____, min_samples_list)]

# Sample hyperparameter combinations for a random search.
random_combinations_index = np.____(range(0, len(____)), ____, replace=False)
combinations_random_chosen = [combinations_list[x] for x in ____]

# Print the result
print(____)
Редактировать и запускать код